Modello ibrido di deep learning per la previsione della produzione di gas di scisto basato sul principio di decomposizione-ricostruzione
Immagine generata da Gemini AI
Un nuovo modello ibrido, CEEMDAN-SE-LSTM, unisce l'apprendimento profondo con tecniche di decomposizione per migliorare le previsioni di produzione di gas nei giacimenti di scisto, affrontando le sfide poste da dati non lineari e non stazionari. Questo modello migliora significativamente l'accuratezza delle previsioni, riducendo al contempo i costi computazionali, ed è stato convalidato su più set di dati. I risultati suggeriscono che potrebbe fornire indicazioni per strategie di produzione più efficaci.
Modello Ibrido di Deep Learning Migliora le Previsioni sulla Produzione di Gas da Scisto
È stato sviluppato un nuovo modello ibrido di deep learning per prevedere più accuratamente la produzione di gas da scisto. Questo approccio integra tecniche basate sui dati con metodi di decomposizione per affrontare le sfide nella previsione della dinamica produttiva derivante dalla fratturazione idraulica.
Lo studio sottolinea l'importanza di stime precise sulla produzione di gas a causa della porosità e permeabilità ultrabasse delle formazioni di scisto. I metodi di previsione tradizionali hanno avuto difficoltà con la natura non lineare dei dati di produzione.
Sviluppo del Modello
I ricercatori hanno valutato i dati esistenti utilizzando l'analisi delle curve di declino e hanno sviluppato modelli ibridi che combinano reti di memoria a lungo termine e breve termine (LSTM) e unità ricorrenti gated (GRU) con tecniche di decomposizione come la decomposizione modale empirica (EMD) e la decomposizione modale empirica con ensemble completo e rumore adattivo (CEEMDAN).
Il modello CEEMDAN-SE-LSTM risultante migliora le capacità di previsione riducendo al contempo i costi computazionali. Ha dimostrato di avere potenzialità nella previsione efficace dei dati di produzione.
Risultati e Validazione
Le valutazioni delle prestazioni dimostrano la superiorità del modello CEEMDAN-SE-LSTM nel catturare interruzioni operative e fluttuazioni nei tassi di produzione. La validazione su due set di dati di produzione di gas da scisto ha confermato la sua affidabilità.
Implicazioni per la Produzione di Gas
La capacità del modello di fornire previsioni precise consente agli operatori di ottimizzare i piani di sviluppo e migliorare l'efficienza nei processi di estrazione del gas.
Argomenti correlati:
📰 Fonte originale: https://doi.org/10.1115/1.4070746
Tutti i diritti e i crediti appartengono all'editore originale.